腾讯微信视觉开源WeVisOne-VL：一个模型统一检测、OCR、分割与抠图
· 来源：MarkTechPost / Tencent
微信视觉团队发布基于Qwen3-VL的WeVisOne-VL（2B/4B），用960万参数像素解码器直接输出掩膜与alpha抠图，Apache 2.0开源。
腾讯微信视觉团队发布开源视觉语言模型WeVisOne-VL（WeChat Vision All-in-One），提供约2.44B与4.83B两档权重，目标是把检测、指代、计数、指点、OCR、分割与alpha抠图放进同一模型。像素级输出由约960万参数的轻量解码器完成，无需再挂接单独的SAM；查询目标不存在时可输出None，以降低乱框幻觉。
模型基于Qwen3-VL，把各类任务统一成结构化next-token预测，并加入归一化坐标token。据团队自报（贪心解码、每图最多约1960视觉token）：4B在Dense200稠密检测上F1均值71.3（LocateAnything-3B为58.7），RefCOCOg测试F1均值81.8，WeRef-Bench拒识率96.4%，TotalText OCR F1均值52.0，ReasonSeg验证集gIoU 71.2。许可证为Apache 2.0，可用Transformers或vLLM在单卡BF16运行；社区甚至有人在6GB显卡上以GGUF跑目标级任务（掩膜仍需原生视觉特征）。
训练数据引擎对超1亿图像标注了约36亿框，经三阶段SFT再加GRPO。Hugging Face已上线2B/4B权重，GitHub提供推理包与演示；抠图标注工具Mask2Alpha一并开源，微调代码仍在TODO。对开发者来说，这意味着检测器+OCR+分割器有机会收敛成一个可商用许可的小模型。